基于Darknet框架下YOLO v2算法的车辆多目标检测方法

针对道路车辆目标检测传统方法需随场景变化提取不同特征, 检测率较低与鲁棒性差的问题, 提出了一种基于Darknet框架下YOLO v2算法的车辆多目标检测方法; 根据目标路段场景与车流量的变化对YOLO-voc网络模型进行改进, 基于ImageNet数据集和微调技术获得分类训练网络模型, 对训练结果和车辆目标特征进行分析后进一步调整改进的算法参数, 最终获得更适合于道路车辆检测的YOLO-vocRV网络模型下车辆多目标检测方法; 为验证检测方法的有效性和完备性, 采用不同车流密度进行了车辆多目标检测试验, 并与经典YOLO-voc、YOLO9000模型进行了对比; 采用改进YOLO-vocRV网络模型, 选取20 000次迭代, 分析了多目标检测结果。试验结果表明: 在阻塞流样本条件下, YOLO9000网络模型检测率为93.71%, YOLO-voc网络模型检测率为94.48%, 改进YOLO-vocRV网络模型检测率达到了96.95%, 因此, 改进网络模型YOLOvocRV检测率较高; YOLO-vocRV模型精确度和召回率均聚集在0.95, 因此, 在获得较好精确度的条件下损失的召回率明显较小, 达到了很好的折中; 采用混合样本训练后, 基于YOLO-vocRV模型的车辆多目标检测方法的检测率在自由流状态下可达99.11%, 同步流状态下可达97.62%, 阻塞流状态下可达到97.14%, 具有较小的误检率和良好的鲁棒性。      

时速250km动车组设备舱裙板气动载荷线路测试分析

为制定时速250 km速度等级动车组设备舱裙板气动载荷谱,通过对实际运行中的时速250 km等级动车组设备舱裙板气动载荷开展线路测试研究,并将全线所有列车通过隧道、列车明线交会工况集中起来统计分析,得出了设备舱裙板各测点内外压差的最大值、最小值和峰峰值的统计分布规律.经分析,列车隧道通过、隧道交会、明线交会时,设备舱裙板各点绝对压力的有不同特征;设备舱裙板气动载荷压差峰峰值最大不超过1500 Pa,该值可作为时速250 km速度等级列车设备舱裙板静强度载荷设计输入参考值;压差峰峰值主要集中在1000 Pa左右,该值可以作为时速250 km等级动车组设备舱裙板气动载荷疲劳设计输入参考值.     

受电弓故障的车载图像识别技术

针对列车在途中因受电弓发生故障而影响运行安全的问题，提出了一种受电弓故障的车载图像识别技术，以实时检测受电弓降弓、变形与毁坏，碳滑板异常磨耗与缺口，弓角变形与缺失故障；基于更快速的区域卷积神经网络(Faster R-CNN)目标检测框架设计了弓头图像定位目标检测模型，利用残差网络代替原有卷积网络，利用特征金字塔多尺度预测结构构建了候选区域推荐网络，以精准、快速地进行弓头定位和状态检侧；基于掩码区域卷积神经网络(Mask R-CNN)实例分割框架设计了弓头图像分割模型，并针对性地重新设计了检测头的网络结构与特征图尺寸，以适应受电弓的细长弯曲特征，从而准确、快速分割弓头图像；为了在分割后的二值图中更快速地识别与定位故障，根据受电弓结构尺寸和图像分割模型输出的位置坐标，制定了弓角与碳滑板故障的快速模板匹配策略，并在此基础上编制了详细的故障检测算法与程序。研究结果表明：在相应的数据集上，弓头图像定位目标检测模型的平均检测精度为0.944,平均每帧检测时间为0.029 s,弓头图像分割模型的平均分割精度为0.967,平均每帧检测时间为0.031 s,模板匹配的检测精度为0.985,平均每帧检测时...     

基于YOLO的铁路侵限异物检测方法

基于现有的铁路侵限异物检测方法只能识别出静态障碍物且识别速度较慢的问题,提出一种基于YOLO算法的铁路侵限异物检测方法.针对铁路侵限异物检测的特殊性,合理设计YOLO模型结构.采用24个卷积层、4个最大池化层及2个全连接层完成异物图像的提取、降维、识别输出,并使用实拍疑似侵限异物图片对YOLO模型进行预训练,达到学习及降低过拟合的目的,最终实现了异物定位及识别的功能.实验中通过对1 660张单幅疑似铁路侵限异物图片进行检测,结果表明,该方法对正常曝光的侵限异物图片检测准确率较高,而且在识别速度方面较AlexNet及Adaboost算法具有较大的优越性.     

基于双路神经网络融合模型的高速公路雾天检测

高速公路天气状况实时监察对于高速行车安全具备重要意义,然而气象检测只能对大范围区域的气象情况进行预报,不能满足高速行车各个路段气象情况实时检测的需求. 为此,提出一种基于双路神经网络融合模型的高速公路雾天检测算法. 该算法基于双路深度神经网络融合模型,提取雾天图像的可视深度图以及暗通道图像两种视觉特征,并利用深度神经网络进行建模,获得初步分类结果;然后,再利用均值融合层进行分数融合. 为了全面评测该算法的性能,构建了一个覆盖多个省份高速公路的视频监控雾天数据集（express way fog detection dataset,EWFD）,该数据集能够全面涵盖国内高速公路的天气情况,并在该数据集上做了全面的分析对比实验. 实验结果显示,本文所提出的双路神经网络融合模型的雾天监测算法取得了93.7%的准确率,与国际前沿的检测分类算法101层残差网络（ResNet-101）相比,本文提出的算法准确率提高了10%以上.      

基于Faster R-CNN的接触网吊弦故障检测方法

针对接触网吊弦故障图像样本较少,现有方法检测准确率较低的问题,提出了一种高效率、高准确率的接触网吊弦故障检测方法.以Faster R-CNN模型为基础,通过引入能够提取深层次图像特征并实现特征重用的密集连接卷积神经网络(dense convolutional network model, DenseNet)替代原始的特征提取模块提取吊弦图像特征,并在实验中利用图像旋转、增强等数据变换操作扩充样本集提升检测效果.通过对接触网吊弦图像的测试,以DenseNet为主干网络的Faster R-CNN模型能够检测接触网吊弦故障,检测准确率比原始检测模型提高4%以上,且加入数据变换对吊弦故障检测的准确率和鲁棒性均有显著提升,均值平均精度(mAP)可达98%以上.     

基于OPNET的列车WTB初运行及重联特性

动车组重联过程中需要实现WTB的初运行及配置数据文件的验证,通常采用半实物仿真的方式进行模拟.本文针对列车总线的编组自适应能力,提出了采用OPNET仿真的WTB初运行模型实现方法.通过对模型中总线主通道和辅助通道的数据帧占用情况进行分析,验证了初运行命名和拓扑发布算法.仿真结果表明了所建立模型能够实现动车组重联过程,为实际动车组重联设计和研究提供了基础依据.     

多交路动车组周转模型研究

作为客运专线运输组织的关键技术之一,动车组的运用与运行图的编制以及车站作业计划的制定有着密不可分的联系. 为了解决基于枢纽站的多交路动车组周转问题,本文提出了部分环形运转的概念,并据此分析了多交路动车组周转问题的特点. 在建立动车组周转模型时,以动车组在车站的停留时间总和最小为优化目标,以动车组的开行条件、动车组之间的接续条件与唯一性条件以及基于时间容忍值σ的顺向接续优先条件为基本约束,设计了基于σ的紧凑接续算法,并以某小型路网为例对模型和算法的可行性进行了验证. 案例研究表明,多交路的动车组周转模型和算法能很好地解决枢纽站多个方向运行的列车运行线之间的相互接续,且能在很大程度上降低列车进出车站对车站咽喉区的影响.     

�ཻ·��������תģ���о�

作为客运专线运输组织的关键技术之一,动车组的运用与运行图的编制以及车站作业计划的制定有着密不可分的联系. 为了解决基于枢纽站的多交路动车组周转问题,本文提出了部分环形运转的概念,并据此分析了多交路动车组周转问题的特点. 在建立动车组周转模型时,以动车组在车站的停留时间总和最小为优化目标,以动车组的开行条件、动车组之间的接续条件与唯一性条件以及基于时间容忍值σ的顺向接续优先条件为基本约束,设计了基于σ的紧凑接续算法,并以某小型路网为例对模型和算法的可行性进行了验证. 案例研究表明,多交路的动车组周转模型和算法能很好地解决枢纽站多个方向运行的列车运行线之间的相互接续,且能在很大程度上降低列车进出车站对车站咽喉区的影响.     

基于交路接续的动车组运用计划优化模型与算法

针对动车组运用计划优化编制的问题,本文采用接续网络的方法,构建了动车组运用计划优化编制的0-1 整数规划模型.该模型在动车组初始运用状态和历史检修数据的基础上,以动车组担当交路的接续时间总和最小化和动车组检修前累计运行里程最大化为优化目标,以动车组检修里程周期和动车组交路接续时间标准为主要约束,并充分考虑动车组与交路的匹配关系,以及客流高峰时期增加开行交路的情况.在模型的求解方面,本文基于粒子群算法设计了模型的求解策略.最后通过算例分析验证了模型与算法的有效性,为动车组运用计划的优化编制提供参考依据.     

基于改进YOLO v3模型与Deep-SORT算法的道路车辆检测方法

针对道路车辆实时检测遮挡严重与小目标车辆漏检率高的问题，提出了基于改进YOLO v3模型和Deep-SORT算法的车辆检测方法；为提高模型对道路车辆的检测能力，采用K-means++聚类算法对目标候选框进行聚类分析，选择合适的Anchor box数量，并在网络浅层增加了特征提取层，可提取到更精细的车辆特征；为加强网络对远近不同目标的鲁棒性，在保留原YOLO v3模型输出层的同时，增加了一层输出层，将52像素×52像素输出特征图经过上采样后得到104像素×104像素特征图，并将其与浅层同尺寸特征图进行拼接，实现车辆目标的检测；为了降低目标遮挡对检测效果的影响，提高对视频上下帧之间关联信息的关注度，将改进YOLO v3模型和Deep-SORT算法相结合，以此来弥补两者之间的不足。试验结果表明:改进YOLO v3模型有效地提高了车辆检测的性能，与在网络浅层增加特征提取层的模型相比，平均精度提高了1.4%，与增加一层输出层的模型相比，平均精确度提高了0.8%，说明改进YOLO v3模型提取的特征表达能力更强，增强了网络对小目标的检测能力；改进YOLO v3模型在引入Deep-SORT算法后，查准率和召回率分别达到90.16%和91.34%，相比改进YOLO v3模型，查准率和召回率分别提高了1.48%和4.20%，同时保证了检测速度，对于不同大小目标的检测具有良好的鲁棒性。      

高速动车组远程数据传输及应用

介绍了将CRH3型高速动车组运行动态数据自动搜集,远程传输到地面中心数据库,进而分发到各主机厂进行动态分析并辅助故障维修、制定检修策略的高速动车组远程数据传输系统,介绍了该系统的技术架构以及数据的应用分析,对该系统数据与SAP-ERP系统的集成以及通过BI系统对数据进行深度分析提出了设想.     

动车组故障知识管理系统技术的研究

动车组作为一种铁路客运货运设备,具有快速、安全和高标准的服务功能.如何保障动车组安全高效运行是工作重点,动车组故障数据对动车检修及制造具有极大的参考作用.此外,合理的知识管理能够增强综合竞争实力,利于做出更为合理的决策,能够将最需要的知识及时传送给最需要的人,实现组织和个人之间的信息共享,并以不同的方式加以实践,最终达到提高业绩的目的.正是基于对上述知识管理优点的考虑,本文将知识管理引入到对动车组故障数据的分析中,以实现动车组故障知识的共享、交流和转换.论文在分析动车组故障知识管理系统业务需求的基础上设计了系统总体架构及其内部功能模块.     

面向交通工具金属材料的缺损识别算法

金属作为现代交通工具重要设备的主要材料,其缺损情况对交通工具的安全性具有重要意义.为了实现对金属设备的缺损情况进行自动识别,提出一种基于深层卷积神经网络的视觉检测算法,该算法着重于工业缺陷识别.设计了一种沙漏型特征融合模块和金字塔特征细化模块,兼顾准确率和速度,有效提升基于金属图像的缺损部位定位和分类效率,借助计算机平台训练判别模型实现自动检测.算法在公开图像数据集上取得了先进的测试结果,并在移动端设备中实现高效运行.     

事件检测概率神经网络模型的建立与验证

在对概率神经网络(PNN)的分类机理、输入向量选取和网络设置进行分析的基础上,建立了用于识别两类事件模式(无事件模式和有事件模式)的事件检测PNN模型。采用高速公路路段1-880实地线圈数据集和事件数据集验证模型,通过比较PNN模型与多层前向神经网络(MLF)模型的结果,发现无论对于向北、向南或混合方向的高速公路事件检测,PNN模型的检测率(DR)比MLF模型高;平均检测时间(MTTD)比MLF模型短:但误报率(FAR)也较高。概率神经网络是高速公路事件检测的一种有效算法,其在理论基础、算法和学习速度等方面比多层前向神经网络具有优势。     

高速铁路长大坡道动车组运行性能分析方法

当动车组运行通过长大坡道时,车辆与轨道的耦合振动作用会对列车牵引制动效率产生重要的影响.为更准确地分析动车组列车通过长大坡道时的运行性能,基于车辆-轨道耦合动力学理论,考虑列车牵引制动行为与线路平纵断面的影响,建立高速铁路长大坡道动车组运行性能分析模型,采用线路试验数据对模型进行验证,对比分析三维模型与传统一维模型的差...     

动车组的多变量非线性预测控制研究

通过分析动车组的牵引-制动系统,建立动车组的各动力单元的线性模型,考虑到动车组运行过程中空气阻力、未知干扰等非线性因素,将实际输出与线性模型输出的误差描述为未建模动态,将动车组运行过程这一非线性问题描述成为线性模型与非线性未建模动态两部分组成的集成模型,利用BP神经网络在线估计未建模动态项,利用递推辨识算法在线更新模型...     

路面缺陷智能检测系统与方法综述

从路面缺陷检测系统组成和特点出发，首先简要回顾了路面缺陷检测系统与传统路面图像处理方法的发展过程。在此基础上，探讨了国内外典型路面缺陷检测系统的现状，包含重型道路状况智能检测系统、轻量化路面质量检测系统，并对检测系统的性能及部分参数进行了描述。然后，详细介绍了基于机器学习、深度学习理论的路面缺陷智能化检测方法的演变历程，重点分析了基于深度学习技术的路面缺陷智能化检测方法国内外的研究进展，主要包含基于区域卷积神经网络、单次多框检测器、YOLO目标检测、Transformer检测模型等路面缺陷智能检测方法。最后，从多模信息融合、双轻量化设备、稳健智能化算法等方面对路面缺陷智能化检测系统的发展趋势和应用前景进行了展望。     

基于固定检测器的动态交通故障数据识别与修复

针对固定检测器在采集动态交通数据过程中易发生交通数据异常、数据缺失等问题,为实现故障数据有效识别及修复,提出了基于离群距离检测的故障数据识别算法及改进的DE-LSTM数据修复模型。利用时序数据的自身连续性,采用直接离群点定位和离群距离检测对故障数据进行有效识别。采用差分进化算法优化长短期记忆神经网络的隐含层神经元个数和初始学习率,并引入自适应控制策略改进传统DE算法中的变异因子、交叉因子,建立了基于改进差分进化算法优化长短期记忆神经网络的修复模型,并与固定阈值结合交通流机理、LSTM神经网络模型及DE-LSTM修复模型进行对比。实例验证结果表明：与固定阈值结合交通流机理法相比,离群距离检测算法识别率更为高效,改进的DE-LSTM模型具有良好的计算效率及修复性能。     

模糊航空图像中的道路自动检测方法

为了在模糊航空图像中精确地检测道路,通过分析图像中道路特性,提出了一种道路自动检测方法。通过多尺度Retinex算法增强模糊图像,用改进的Canny边缘检测算法检测图像中的主要路段,使用交叉熵理论和贝叶斯决策理论自动获取梯度图像中的高低阈值,从而将灰度图像转化为二值图像,并将图像中所有线性目标进行骨架提取。根据线性目标的形状与尺寸参数进行噪声滤除,并根据端点的方向与端点间的距离进行道路间隙缝合,并结合边缘和原始图像信息调节和修正已检测出的道路。将道路自动检测方法与几种常用的图像分割算法进行比较,包括大津阈值分割算法,Canny边缘检测算法与图论最小割算法,并使用道路自动检测方法对模糊图像中的单条道路、交叉道路和多条道路进行检测。检测结果表明:对模糊或光照不均的航空道路图像,Retinex算法增强图像后可以清晰显示主干道路,而常规的图像分割算法无法将主干道提取出来,使用改进的Canny边缘检测算法并附以图像后处理功能较好地提取主干道路。使用道路自动检测方法能够清晰地检测模糊航空图像中单条道路、交叉道路和多条道路,与人工识别的效果接近。